您现在的位置:诗歌书籍 > 西方文学 > 正文

27个机器学习图表,帮你作弊一般飞速成长!(转载)

27个机器学习图表,帮你作弊一般飞速成长!(转载)

  今天分享一篇机器学习的文章。

翻了一半,发现Linux中国已经翻译过了。

。 。 干脆搬过来,还有一个姊妹篇《MyCuratedListofAIandMachineLearningResourcesfromAroundtheWeb》,明天准备发这个。

  原文地址是:CheatSheetofMachineLearningandPython(andMath)CheatSheets  译文地址是:值得收藏的27个机器学习的小抄  机器学习MachineLearning有很多方面,当我开始研究学习它时,我发现了各种各样的“小抄”,它们简明地列出了给定主题的关键知识点。 最终,我汇集了超过20篇的机器学习相关的小抄,其中一些我经常会翻阅,而另一些我也获益匪浅。 这篇文章里面包含了我在网上找到的27个小抄,如果你发现我有所遗漏的话,请告诉我。   机器学习领域的变化是日新月异的,我想这些可能很快就会过时,但是至少在2017年6月1日时,它们还是很潮的。   如果你想要这些图表,你无需向我一样一张张下载,只需要从这里点击下载就可以了。   如果你喜欢这篇文章,那就分享给更多人,如果你想感谢我,就到原帖地址点个赞吧。

  机器学习  这里有一些有用的流程图和机器学习算法表,我只包括了我所发现的最全面的几个。

  神经网络架构  来源:http:///neural-network-zoo/  微软Azure算法流程图  来源:https:///en-us/azure/machine-learning/machine-learning-algorithm-cheat-sheet  用于微软Azure机器学习工作室的机器学习算法:  SAS算法流程图  来源:http:///content/subconsciousmusings/2017/04/12/machine-learning-algorithm-use/  SAS:我应该使用哪个机器学习算法?:  算法总结  来源:http:///a-tour-of-machine-learning-algorithms/  机器学习算法指引:  来源:http:///best-known-machine-learning-algorithms-infographic/  已知的机器学习算法哪个最好?:  算法优劣  来源:https:///machine-learning-explained-algorithms-are-your-friend  Python  自然而然,也有许多在线资源是针对Python的,这一节中,我仅包括了我所见过的最好的那些小抄。   算法  来源:https:///blog/2015/09/full-cheatsheet-machine-learning-algorithms/  Python基础  来源:http:///  来源:https:///community/tutorials/python-data-science-cheat-sheet-basics#  Numpy  来源:https:///blog/numpy-cheat-sheet/  来源:http:///  来源:https:///community/blog/python-numpy-cheat-sheet#  来源:https:///donnemartin/data-science-ipython-notebooks/blob/master/numpy/  Pandas  来源:http:///  来源:https:///community/blog/python-pandas-cheat-sheet#=U  来源:https:///donnemartin/data-science-ipython-notebooks/blob/master/pandas/  Matplotlib  来源:https:///community/blog/python-matplotlib-cheat-sheet  来源:https:///donnemartin/data-science-ipython-notebooks/blob/master/matplotlib/  ScikitLearn  来源:https:///community/blog/scikit-learn-cheat-sheet#  来源:http:///2013/01/  来源:https:///rcompton/ml_cheat_sheet/blob/master/supervised_  Tensorflow  来源:https:///aymericdamien/TensorFlow-Examples/blob/master/notebooks/1_Introduction/basic_  Pytorch  来源:https:///bfortuner/pytorch-cheatsheet  数学  如果你希望了解机器学习,那你就需要彻底地理解统计学(特别是概率)、线性代数和一些微积分。

我在本科时辅修了数学,但是我确实需要复习一下了。 这些小抄提供了机器学习算法背后你所需要了解的大部分数学知识。

  概率  来源:http:///s/probability_  线性代数  来源:https:///static/tutorials/linear_algebra_in_4_  统计学  来源:http:///~csvoss/Public/usabo/stats_  微积分  来源:http:///=B,41,N。

上一篇:自己的经历,和奇遇,希望帮到你
下一篇:没有了
回到顶部